段鵬慧 嚴(yán)加勇 段世梅

摘 要：睡眠分期是指對睡眠階段進行分類，其是睡眠研究與睡眠相關(guān)疾病診斷的主要手段之一，具有重要的臨床研究與應(yīng)用價值。近年來，基于心沖擊信號的自動睡眠分期算法受到研究人員的重點關(guān)注。在介紹睡眠分期和心沖擊信號基本知識的基礎(chǔ)上，詳細介紹了近年來基于心沖擊信號的自動睡眠分期算法，并分析該領(lǐng)域研究進展與未來發(fā)展趨勢。

關(guān)鍵詞：睡眠分期；心沖擊信號；自動睡眠分期算法

DOI：10. 11907/rjdk. 191226

中圖分類號：TP312 文獻標(biāo)識碼：A 文章編號：1672-7800（2019）005-0005-04

Abstract：Sleep staging is the classification of sleep stages， which is essential for the diagnosis of sleep-related disorders and sleep research， and has important significance for clinical research and application. In recent years， automatic sleep staging algorithms based on ballistocardiogram（BCG） have attracted many researchers attention. On the basis of introducing the basic knowledge of sleep staging and ballistocardiogram， the present paper introduces the automatic sleep staging algorithms based on ballistocardiogram in recent years. In the end， the research progress of this field is analyzed， and development trends of next phase are pointed out.

Key Words：sleep staging；ballistocardiogram；automatic sleep staging algorithms

0 引言

睡眠與人類身體健康及生活質(zhì)量密切相關(guān)，充足的睡眠可保證人體代謝正常運行，提高人體免疫力。隨著社會生活節(jié)奏的加快、工作壓力的增大，越來越多的人出現(xiàn)了睡眠不足、睡眠質(zhì)量下降的情況，嚴(yán)重時甚至引發(fā)睡眠呼吸障礙等生理疾病，同時一些心血管疾病及精神疾病也與睡眠情況緊密相關(guān)，因此睡眠研究顯得尤為重要。睡眠分期主要分析人的醒睡狀態(tài)及睡眠深淺程度，是睡眠研究的主要手段之一，在睡眠質(zhì)量評估與睡眠相關(guān)疾病診斷方面發(fā)揮著重要作用。

目前在臨床上，睡眠分期研究主要是利用多導(dǎo)睡眠記錄儀（Polysomnography，PSG）采集心電、腦電、眼電等電生理信號[1-12]，但此類方法需要在受測人員身體多處部位固定檢測電極以檢測電生理信號，受測人員會有較強的束縛感，因而可能影響測試結(jié)果，且容易產(chǎn)生誤差，而且人體多導(dǎo)生理信號采集過程較為復(fù)雜，對專家的經(jīng)驗與操作水平依賴性較強。心沖擊（Ballistocardiogram，BCG）信號通過無干擾、非接觸式方式采集數(shù)據(jù)，同時又包含多種生理參數(shù)，因此基于BCG信號的睡眠分期方法在此需求背景下應(yīng)運而生。

1 睡眠分期與心沖擊信號基礎(chǔ)知識

在睡眠過程中，人體在各種睡眠狀態(tài)下會發(fā)生不同的生理變化[13]。1968年，Rechtschaffen&Kales[14]利用睡眠時腦電圖（Electroencephalogram，EEG）、眼電圖（Electrooculogram，EOG）、肌電圖（Electromyography，EMG）等多路生理信號進行睡眠分期，將睡眠分為6個階段：覺醒期（Wakefulness，W）、快速眼動睡眠期（Rapid Eye Moment，REM）和4個非快速眼動睡眠期（Non-rapid Eye Movement，NREM），其中S1、S2為淺睡期（Light Sleep，LS），S3、S4為深睡期（也稱為慢波睡眠期，Slow Wave Sleep，SWS）。2007年，美國睡眠醫(yī)學(xué)會（American Academy of Sleep Medicine，AASM） 將R&K睡眠分期準(zhǔn)則中的S3和S4期合成為非快速眼動3期，分為W、R、N1、N2、N3共5個階段 [15]。不同睡眠分期方法對比如圖1所示。

心臟搏動能引發(fā)身體產(chǎn)生相應(yīng)運動，可通過高靈敏度傳感器拾取該運動信號，并將其描記成波形，該波形稱為心沖擊信號，簡稱BCG信號。與心電信號（Electrocardiogram，ECG）不同，BCG獲取的是人體機械振動信號，是一種非平穩(wěn)的生物信號，屬于低頻生理信號，頻率介于1～10Hz之間，幅值微弱，容易受到外界干擾，而ECG反映的是心臟興奮的產(chǎn)生、傳導(dǎo)與恢復(fù)過程中生物電的變化，兩者工作方式及原理完全不同。圖2、圖3分別為BCG與ECG波形示意圖，從圖中可以看出，BCG信號主要包含H、I、J、K、 L與M、N波， J 波為峰值特征點，通常將較為明顯的H、I、J、K、L作為一個I-J波群，表示一次心臟搏動，而ECG信號的一次心臟搏動主要包括P波、QRS波群和T波，其中R波為峰值特征點。兩者相比，BCG信號的HIJK峰可清晰界定，同時IJK峰與ECG信號的QRS波在時間上具有一致性[16]。

2 基于心沖擊信號的自動睡眠分期算法

上世紀(jì)90年代以后，隨著傳感器技術(shù)與電子技術(shù)的快速發(fā)展，使得對BCG信號的有效采集與分析成為可能。1991年，Jansen等[17]設(shè)計出靜電荷敏感床墊（Static Charge Sensitive Bed，SCSB），發(fā)現(xiàn)可以從SCSB信號中獲得BCG信號，這也是利用BCG信號進行睡眠監(jiān)測的雛形；1996年，俞夢孫等[18]研制了微動敏感床墊監(jiān)測系統(tǒng)，采用以小波分析為主的信號處理技術(shù)，分析24名健康受測人員心動周期的變異性，將睡眠階段分為Wake、REM和NREM。與腦電波分析結(jié)果相比，該方式符合率達到0.852±0.048，但其仍不能對睡眠中非快速眼動期進行準(zhǔn)確劃分，從而影響對睡眠深淺的識別；Watanabe等[19]采用充氣式微動敏感床墊，分析夜間睡眠中的睡眠階段轉(zhuǎn)變以及睡眠階段與測量生理信號之間的關(guān)系，建立睡眠數(shù)學(xué)模型，并進行睡眠分期，分期結(jié)果為：NREM期、REM期與Wake期，與R&K準(zhǔn)則的一致性分別為：82.6%、38.3%和70.5%。

近年來，多項研究工作[19-21]研究、分析了心率變異性（Heart Rate Variability，HRV）與睡眠分期之間的關(guān)系，研究表明HRV分析可以成為睡眠分期研究的基礎(chǔ)[22-24]。HRV主要測量ECG信號的RR間期（ECG RRI），HRV分析對象包括0.04Hz-0.15Hz頻率范圍內(nèi)的LF-HRV成分和0.15Hz-0.40Hz頻率范圍內(nèi)的HF-HRV成分[20]。一些研究人員將HRV分析巧妙應(yīng)用于基于BCG信號的睡眠分期研究[24-30]。例如，Alihanka等[24提出基于單通道靜態(tài)電荷敏感床（One-channel Static Charge-sensitive-bed，SCSB）提取BCG信號和體動信號，可實現(xiàn)對BCG、心率、呼吸幅度和身體運動的長期連續(xù)監(jiān)測；Kortelainen等[25]使用壓敏傳感器和倒譜方法從BCG信號中提取心跳間隔（Inter Beat Interval，IBI），與ECG RRI相比，其相對誤差為0.35%，可見BCG IBI相當(dāng)于ECG RRI，可將其應(yīng)用于基于BCG信號的睡眠分期研究中。

截至目前，雖然基于BCG信號的睡眠分期具體算法有所不同，但基本依據(jù)是比較類似的，即睡眠深淺與心率、呼吸頻率等體征具有較強關(guān)聯(lián)性，如表1所示[26]。

由表1可以看出，淺睡和深睡周期可以由HR、HRV和RRV確定，REM和Wakefulness可由RRV與體動進行分辨。近年來，一些研究人員基于BCG信號進行睡眠自動分期研究，并取得了一定成果。一些典型的基于BCG信號的自動睡眠分期算法及結(jié)果如表2所示[19，27-30]。

通過對各種基于BCG信號的自動睡眠分期算法的分析，可以看出，由于對BCG信號的特征提取方法、模式識別分類器選擇等均不相同，睡眠分期效果也不同。其方法大多是利用BCG信號中的HBI取代ECG中的RRI，依據(jù)心率變異性與睡眠時相的密切關(guān)系，并與呼吸頻率或體動信號相結(jié)合，實現(xiàn)自動睡眠分期?；贐CG信號的自動睡眠分期一般過程為：首先對從微動敏感床墊中提取的BCG信號進行濾波，然后將心沖擊圖和對應(yīng)的標(biāo)準(zhǔn)時相圖按相同時間間隔進行劃分，從劃分得到的片段中提取特征值，將特征值對應(yīng)的睡眠時相作為訓(xùn)練集對分類模型進行訓(xùn)練，從而得到睡眠時相分期結(jié)果。然而，目前基于BCG信號的自動睡眠分期算法大多只能實現(xiàn)對兩或三個睡眠時相的劃分，靈敏度與準(zhǔn)確度較低。

3 結(jié)論與展望

睡眠分期是睡眠研究與睡眠相關(guān)疾病診斷的主要手段之一。BCG技術(shù)具備無創(chuàng)、非接觸式以及可以長期連續(xù)監(jiān)測等優(yōu)點，因此是自動睡眠分期研究的一個發(fā)展方向。目前利用BCG信號進行睡眠分期研究，均是通過對信號進行濾波、統(tǒng)計分析或模版匹配算法分析，靈敏度和準(zhǔn)確度較低，只能實現(xiàn)對兩或三個睡眠時相的劃分。因此，如何進一步提高分類方法的靈敏度和準(zhǔn)確度，使睡眠時相劃分更為準(zhǔn)確，仍需要研究者們作進一步探索。

參考文獻：

[1] HSU Y L，YANG Y T，WANG J S， et al. Automatic sleep stage recurrent neural classifier using energy features of EEG signals[J]. Neurocomputing， 2013， 104：105-114.

[2] 周鵬，李向新，張翼，等. 基于主成分分析和支持向量機的睡眠分期研究[J]. 生物醫(yī)學(xué)工程學(xué)雜志， 2013（6）：1176-1179.

[3] ZHU G，LI Y，WEN P. Analysis and classification of sleep stages based on difference visibility graphs from a single-channel EEG signal[J]. IEEE Journal of Biomedical and Health Informatics.， 2014，18 （6）：1813-1821.

[4] LAJNEF T，CHAIBI S，RUBY P，et al. Learning machines and sleeping brains： automatic sleep stage classification using decision-tree multi-class support vector machines[J]. Journal of Neuroscience Methods， 2015， 250：94-105.

[5] HASSAN A R，BHUIYAN M I H. Computer-aided sleep staging using complete ensemble empirical mode decomposition with adaptive noise and bootstrap aggregating[J]. Biomedical Signal Processing and Control， 2016， 24：1-10.

[6] HASSAN A R，BHUIYAN M I H. A decision support system for automatic sleep staging from EEG signals using tunable Q-factor wavelet transform and spectral features[J]. Journal of Neuroscience Methods， 2016， 271：107-118.

[7] HASSAN A R，BHUIYAN M I H. Automated identification of sleep states from EEG signals by means of ensemble empirical mode decomposition and random under sampling boosting[J]. Computer Methods and Programs in Biomedicine， 2017， 140：201-210.

[8] WEI L， LIN Y，WANG J， et al. Time-frequency convolutional neural network for automatic sleep stage classification based on single-channel EEG[C]. 2017 IEEE 29th International Conference on Tools with Artificial Intelligence （ICTAI）， 2017.

[9] SILVEIRA T L T，KOZAKEVICIUS A J，RODRIGUES C R. Single-channel EEG sleep stage classification based on a streamlined set of statistical features in wavelet domain[J]. Medical & Biological Engineering & Computing， 2017， 55（2）：343-352.

[10] SHARMA M，GOYAL D，ACHUTH P V，et al. An accurate sleep stages classification system using a new class of optimally time-frequency localized three-band wavelet filter bank [J]. Computers in Biology & Medicine， 2018， 98：58-75.

[11] SORS A，BONNET S，MIREK，et al.A convolutional neural network for sleep stage scoring from raw single-channel EEG[J].Biomedical Signal Processing and Control，2018，42：107-114.

[12] GHASEMZADEH P， KALBKHANI H， SARTIPI S， et al. Classification of sleep stages based on LSTAR model[J]. Applied Soft Computing，2019，75：523-536.

[13] 高群霞. 基于EEG的睡眠分期與睡眠評估方法研究[D].廣州：華南理工大學(xué)， 2015.

[14] RECHTSCHAFFEN A，KALES A. A manual of standardized terminology， techniques， and scoring systems for sleep stages of human subjects[M]. Los Angeles：Brain Information Service/Brain Research Institute，University of California：1968.

[15] IBER C，ANCOLI-ISRAEL S，CHESSON A，et al. The AASM manual for the scoring of sleep and associated events： rules， terminology and technical specifications[M]. Westchester，IL：American Academy of Sleep Medicine，2007.

[16] 張先文，張麗巖，丁力超，等. 基于心沖擊信號的心率檢測[J]. 清華大學(xué)學(xué)報：自然科學(xué)版，2017（7）：94-98.

[17] JANSEN B H，LARSON B H，SHANKAR K. Monitoring of the ballistocardiogram with the static charge sensitive bed [J]. IEEE Transactions on Biomedical Engineering，1991， 38（8）：748-751.

[18] 俞夢孫，楊軍，周玉彬，等. 用微動敏感床墊監(jiān)測睡眠的研究[J].中華航空航天醫(yī)學(xué)雜志，1999，10（1）：40-45.

[19] WATANABE T，WATANABE K. Noncontact method for sleep stage estimation[J]. IEEE Ttransactions on Biomedical Engineering， 2004， 51（10）：1735.

[20] PENZEL T，KANTELHARDT J W，GROTE L，et al. Comparison of detrended fluctuation analysis and spectral analysis for heart rate variability in sleep and sleep apnea[J]. IEEE Transactions on Biomedical Engineering， 2003， 50（10）：1143-1151.

[21] REDMOND S J，HENEGHAN C. Cardiorespiratory-based sleep staging in subjects with obstructive sleep apnea[J]. IEEE Transactions on Biomedical Engineering， 2006， 53（3）：485-496.

[22] KIM J， LEE J， SHIN M. Sleep stage classification based on noise-reduced fractal property of heart rate variability[J]. Procedia Computer Science， 2017， 116：435-440.

[23] HERZIG D，ESER P，OMLIN X，et al.Reproducibility of heart rate variability is parameter and sleep stage dependent[J].Frontiers in Physiology，2018，8：1-10.

[24] ALIHANKA J，VAAHTORANTA K，SAARIKIVI I. A new method for long-term monitoring of the ballistocardiogram， heart rate， and respiration[J]. American Journal of Physiology Regulatory， Integrative and Comparative Physiology， 1981， 240（5）： 384-392.

[25] KORTELAINEN J M，VIRKKALA J. FFT averaging of multichannel BCG signals from bed mattress sensor to improve estimation of heart beat interval[C]. International Conference of the IEEE Engineering in Medicine & Biology Society， 2007.

[26] NURMI. Nocturnal sleep quality and quantity analysis with ballistocardiography[D]. Espoo：Aalto University， 2016.

[27] MIGLIORINI M，BIANCHI A M， DOMENICO N， et al. Automatic sleep staging based on ballistocardiographic signals recorded through bed sensors[C]. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference， 2010：3273-3276.

[28] KORTELAINEN J M， MENDEZ M O， BIANCHI A M， et al. Sleep staging based on signals acquired through bed sensor[J]. IEEE Transactions on Information Technology in Biomedicine，2010， 14（3）：776-785.

[29] PARK K S， HWANG S H， JUNG D W， et al. Ballistocardiography for nonintrusive sleep structure estimation [C]. Engineering in Medicine & Biology Society. IEEE， 2014.

[30] NI H，ZHAO T，ZHOU X，et al. Analyzing sleep stages in home environment based on ballistocardiography[M]. New York：Springer International Publishing， 2015.

（責(zé)任編輯：黃 ?。?/p>